Postup tematického modelování časopisu Rozpravy České akademie v letech 1890-1910

#Načtení všech potřebných knihoven
  #pro přípravu dat na modelování  
    library(quanteda)

## Package version: 3.3.1
## Unicode version: 14.0
## ICU version: 71.1

## Parallel computing: 8 of 8 threads used.

## See https://quanteda.io for tutorials and examples.

    library(quanteda.textstats)
    library(quanteda.textplots)
    library(topicmodels)
    library(readtext)

## 
## Attaching package: 'readtext'

## The following object is masked from 'package:quanteda':
## 
##     texts

    library(tidytext)
    library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

    library(reshape2)
    library(jsonlite)
    library(readxl)
    library(stringr)
  
  #pro vizualizaci  
    library(LDAvis)
    library(wordcloud)

## Loading required package: RColorBrewer

    library(ggplot2)
    library(gridExtra)

## 
## Attaching package: 'gridExtra'

## The following object is masked from 'package:dplyr':
## 
##     combine

    library(RColorBrewer)
    library(forcats)

#model není nutné opakovaně spouštět - lze načíst Rdata environment
load("topic_model.RData")

1 Načtení korpusu a transformace dat

1.1 Načtení textových souborů

Načtení všech připravených txt souborů z adresáře:

current_working_directory <- getwd() # nastavený pracovní adresář, předpokládá se adresář, kde je uložen tento script
relative_path_to_data <- "/data/*.txt" # podadresář se soubory
full_path <- paste0(current_working_directory,relative_path_to_data) # celá cesta k souborům

corpus <- corpus(readtext(full_path)) # načtení ve formě corpusu knihovny quanteda

1.2 Vytvoření matice dokument-slovo

Načtená data ze souborů je třeba rozložit na jednotlivé tokeny a vytvořit matici dokument-slovo (documet-term matrix). K načtení a manipulaci s daty se používá knihovna quanteda.

V rámci transformace do matice je možné odstranit z korpusu tzv. stop slova.

# slova objevující se napříč všemi *Rozpravami* (zanedbatelný vliv na témata)
stop_CAVU <- c("akademie", "strana", "rozprava", "obsah", "fig", "tab", "pag", "hodina", "metr", "pozorování", "maximum", "den", "rok", "datum", "milimetr", "vel", "průměr", "minimum", "maximum", "stupeň", "leden", "únor", "březen", "duben", "květen", "červen", "červenec", "srpen", "září", "říjen", "listopad", "prosinec")  

# nevýznamová slova a znaky v korpusu
stop_nonsense <- c("wsw", "nnw", "ssw", "wnw", "ene", "sse", "eše", "nne", "»", "«", "^", "srv", "srv", "ccm", "dod", "vyn", "tim", "vin", "kol", "ott", "oti", "jah", "upd", "rkp", "srvn", "stsl", "ghm", "srva", "pis", "cxo", "mgh") 

# rozdělení na tokeny pro quantida
tokens <- tokens(corpus) %>% 
  tokens_remove(c(stop_CAVU,stop_nonsense))

# matice dokument-slovo
dfm <- dfm(tokens) 
dfm_df <- t(as.data.frame(dfm)) # matice dokument-slovo jako data frame pro lepší zobrazení 

Z matice je možné získat jednoduchý přehed o nejfrekventovanějších slovech v korpusu.

freq <- textstat_frequency(dfm, n = 20)
head(freq, 20)

##     feature frequency rank docfreq group
## 1    případ     15438    1     746   all
## 2      část     12997    2     735   all
## 3     pokus     12965    3     478   all
## 4      list     12442    4     238   all
## 5     místo     11966    5     685   all
## 6       bod     11572    6     389   all
## 7      doba     10766    7     655   all
## 8     slovo      9866    8     298   all
## 9     buňka      9474    9     235   all
## 10  obrázek      9403   10     423   all
## 11    právo      7988   11     284   all
## 12     tvar      7898   12     566   all
## 13   plocha      7737   13     412   all
## 14    konec      7477   14     614   all
## 15     voda      6997   15     458   all
## 16   roztok      6944   16     350   all
## 17 kyselina      6744   17     304   all
## 18     druh      6625   18     504   all
## 19   způsob      6350   19     667   all
## 20     řada      6112   20     689   all

2 LDA

Pro modelování témat metodou LDA je využita knihovna topicmodels. Ta pracuje s jinak strukturovanou maticí dokument-slovo, je proto potřeba výše vytvořenou matici do této podoby převést.

  dtm <- convert(dfm, to = "topicmodels")

Spuštění LDA si vyžaduje stanovit proměnnou k, která určí, kolik témat se má v korpusu identifikovat. Bylo stanoveno, že model má rozpoznat 35 témat. Pomocí třídy control je možné nastavit další parametry. Je takto určena hodnota alpha. Čím je alpha vyšší, tím větší množství témat se může objevovat v jednom dokumentu. V našem případě je nastavena na 0.1, neboť předpokládáme, že jedno číslo Rozprav se pravděpodobně věnovalo jednomu tématu. Hodnoty dalších parametrů jsou ponechány ve výchozím nastavení[^https://cran.r-project.org/web/packages/topicmodels/topicmodels.pdf], počet iterací Gibbsova vzorkování je v takovém případě 2000.

Dále je vhodné použít před spuštěním modelu funkci set.seed, která slouží k vytváření reprodukovatelných výsledků v případech, kdy se vytváří proměnné nabývající náhodných hodnot. Zaručuje se tak, že při každém spuštění kódu budou vytvořeny stejné náhodné hodnoty.

set.seed(1234)
topic_model <- LDA(dtm, method = "Gibbs", k = 35,  control = list(alpha = 0.1)) 
topic_model

2.1 Matice slovo-téma (word-topic matrix)

LDA vytvoří matici slovo-téma, ve které je u každého slova z korpusu uvedeno s jakou pravděpodobností bylo vygenerováno z jakého tématu. Tato pravděpodobnost je označena jako beta. Model témata nijak nepojmenuje, označena jsou pouze čísly.

word_topics <- tidy(topic_model, matrix="beta")
word_topics

## # A tibble: 4,668,755 × 3
##    topic term            beta
##    <int> <chr>          <dbl>
##  1     1 rejstřík 0.00000160 
##  2     2 rejstřík 0.00000115 
##  3     3 rejstřík 0.000237   
##  4     4 rejstřík 0.00000155 
##  5     5 rejstřík 0.00000296 
##  6     6 rejstřík 0.00000114 
##  7     7 rejstřík 0.000160   
##  8     8 rejstřík 0.000000951
##  9     9 rejstřík 0.0000630  
## 10    10 rejstřík 0.00000366 
## # ℹ 4,668,745 more rows

Pro každé téma je možné zobrazit stanovený počet slov, která se v něm vyskytují s nejvyšší frekvencí:

topic_number <- 8 # příklad pro téma č. 8

word_topic_posterior <- posterior(topic_model)$terms[topic_number, ]
top_words_for_topicX <- head(sort(word_topic_posterior, decreasing = T), n=50)
head(top_words_for_topicX)

##       buňka       jádro       hmota      vlákno       útvar    bakterie 
## 0.051016457 0.039152165 0.016222778 0.011713015 0.009382020 0.008963392

Nejfrekventovanější slova tématu je také možné zobrazit jako wordcloud:

wordcloud(names(top_words_for_topicX), top_words_for_topicX)

2.2 Matice dokument-téma (documet-topic matrix)

Druhým výstupem LDA je matice popisující pravděpodobnost příslušnosti dokumentu ke konkrétnímu tématu určená proměnnou gamma.

LDA přiřadí každému slovu v dokumentu téma. Čím více slov v dokumentu je přiřazeno k jednomu tématu, tím větší hodnotu má proměnná gamma a tím spíš pojednává dokument o daném tématu. gamma tedy udává odhadovanou proporci slov v dokumentu, která byla vygenerována z konkrétního tématu.

topic_model_documents <- tidy(topic_model, matrix = "gamma")
topic_model_documents

## # A tibble: 31,045 × 3
##    document                                                        topic   gamma
##    <chr>                                                           <int>   <dbl>
##  1 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_1_c255…     1 1.09e-4
##  2 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_10_c25…     1 3.71e-4
##  3 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_11_c25…     1 3.44e-3
##  4 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_11_c25…     1 2.31e-3
##  5 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_13_c25…     1 1.12e-4
##  6 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_14_c25…     1 1.50e-3
##  7 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_15_c25…     1 7.42e-5
##  8 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_16_c25…     1 6.50e-3
##  9 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_17_c25…     1 1.21e-3
## 10 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_18_c25…     1 8.56e-5
## # ℹ 31,035 more rows

document_to_topic <- topic_model_documents %>%
  group_by(document) %>%
  slice_max(gamma) %>%
  ungroup()

Také je možné vyfiltrovat všechny dokumenty, které patří k vybranému tématu:

topic_number <- 1 # vybrané téma
document_topic_filtr <- filter(document_to_topic, document_to_topic$topic == topic_number)
document_topic_filtr

## # A tibble: 28 × 3
##    document                                                          topic gamma
##    <chr>                                                             <int> <dbl>
##  1 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_39_c256c…     1 0.528
##  2 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1896_No_7_c245da5f-435d…     1 0.473
##  3 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1899_No_10_c23e5fe8-435…     1 0.525
##  4 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1899_No_11_c23e5fe9-435…     1 0.477
##  5 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1899_No_19_c23eae11-435…     1 0.739
##  6 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1899_No_1_c23e11bf-435d…     1 0.359
##  7 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1901_No_1_c23bc7ac-435d…     1 0.838
##  8 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1901_No_39_c2351198-435…     1 0.443
##  9 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1902_No_16_c23781aa-435…     1 0.980
## 10 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1902_No_32_c237f6ea-435…     1 0.945
## # ℹ 18 more rows

2.3 Pojmenování témat

Model rozpoznaná témata v korpusu označuje pouze číslem, jejich vhodné pojmenování závisí na vlastní interpretaci badatele. Za tímto účelem byly využity 3 techniky. Nejefektivnější a nejjednodušší přístup k pojmenování témat je zhodnotit nejfrekventovaněší slova, která se v každém tématu vyskytují. Pokud tato technika nevedla k intuitivnímu pojmenování, byl analyzován začátek plného textu dokumentů patřících k danému tématu s nejvyšší pravděpodobností. Nepomohla-li ani tato technika jednoznačně určit vhodný název pro téma, byly z matice dokument-téma získány identifikátory jednotlivých svazků patřících do tématu, pomocí identifikátoru byl sestaven odkaz do digitální knihovny a byl analyzován přímo zdrojový digitalizát.

Nejfrekventovanější slova

Pro pojmenování témat pomocí nejfrekventovanějších slov, jež se v něm vyskytují, může posloužit například jednoduchý tabulkový přehled:

# vytvoření data frame pro přehledné zobrazení:
word_topics_TOPterms_df <-as.data.frame((terms(topic_model, 30))) # 30 nejfrekventovanějších slov pro každé téma
word_topics_TOPterms_df

##      Topic 1    Topic 2  Topic 3   Topic 4   Topic 5     Topic 6    Topic 7
## 1   rostlina      slovo     list      list    fosfor         bod      právo
## 2      pokus       tvar     král    špička      sklo      přímka      zákon
## 3      pupen   koncovka    císař      druh       huť      rovina     statek
## 4       list      jméno   vévoda     okraj       hut      křivka       soud
## 5     poloha       lidé   zpráva       lod  hutmistr      plocha     případ
## 6     děloha        les  kurfiřt      mech   panství       tečna       dílo
## 7      teplo    sloveso  jednání   tobolka       les       střed     prodej
## 8       část      číslo   vojsko     buňka   sklárna         osa  povinnost
## 9       doba  souhláska      věc     konec      kopa    kružnice      zboží
## 10    vrchol     nářečí    vévod      hora     dříví     paprsek       doba
## 11   teplota       pole      mír     skála      úřad     křivost ustanovení
## 12     pohyb samohláska    kníže  rostlina      oves kuželosečka    příčina
## 13    lístek      jazyk    válka       rod      léta      svazek      osoba
## 14       osa   poznámka     země   lodyžka  vrchnost    rychlost     způsob
## 15 rostlinka       vzor     rada     sucho  kilogram      případ        řád
## 16    světlo       cena nepřítel       čep      plat    soustava    jistota
## 17    případ        kůň    cesta       les  sklenice      vrchol        věc
## 18      vliv      místo    pomoc     větev     závod  konstrukce      místo
## 19    vzrůst        voň     doba     žebro     hrabě     rovnice      autor
## 20 zakřivení    skupina vyslanec     stěna       kop     obrázek     řízení
## 21    výměna       žena      čas     barva   hejtman         pól      škoda
## 22    lodyha       voda     opat  prstenec     vazba      průmět        žák
## 23      směr     člověk     plán   větévka   příloha        čára      slovo
## 24     látka        rod     stav polštářek      cena     poloměr       země
## 25    kyslík    vesnice    slovo      část     sboží    průsečík       cena
## 26     kořen        noc   žádost     forma   sklenář     komplex    listina
## 27   obrázek        muž     dvůr      řada obchodník    involuce    smlouva
## 28      dítě        dům poznámka      base   rychtář    parabola      trest
## 29  kokotice    přípona     říše    stélka    soused        úhel       část
## 30      plyn  předložka kardinál   vlášení    archiv     kolmice     základ
##        Topic 8         Topic 9   Topic 10    Topic 11       Topic 12   Topic 13
## 1        buňka          rybník       pruh     rovnice           nerv       text
## 2        jádro            směr   spektrum        řada         vlákno      slovo
## 3        hmota pravděpodobnost     roztok      funkce            oko    legenda
## 4       vlákno           měsíc       voda     hodnota        papilla    památka
## 5        útvar          oblast    barvivo      vzorec         myotom  souhláska
## 6     bakterie             are    skupina       číslo         svazek výslovnost
## 7      krvinka            doba    chlorid       výraz           část samohláska
## 8      obrázek    substantivum     poloha         sin         snopec       spis
## 9     leukocyt            zima      pásek       forma        sítnice        řád
## 10        tělo            tůně sloučenina    veličina          kořen    skupina
## 11   struktura           srovn    zárodek        člen          mícha     hláska
## 12      případ         skupina    přísada        tvar          větev      jazyk
## 13        tvar        rybníček      páska      případ           ryba       tisk
## 14       změna          minuta   ammoniak    integrál           směr    čeština
## 15       obraz            jaro    obrázek         cos       svazeček        prs
## 16        část         slabika     mikrob       počet mesoblastsomit   modlitba
## 17       zrnko          povodí     studna         log           kmen    překlad
## 18       práce            léto     vrstva    výsledek       štěrbina      souhl
## 19        zrno          srážka   tekutina    podmínka           céva   pravopis
## 20       forma             ruš     effekt      součet         pochva       zvuk
## 21     výběžek         perioda   pošinutí        věta         vrstva       vliv
## 22     tělisko             maž      zeleň       vztah       ganglium    homilie
## 23     element             koř      filtr       kořen         průběh      místo
## 24      plasma             dto   filtrace determinant         embryo       část
## 25        doba         přípona    zkouška koefficient         těleso    formule
## 26     methoda          podzim      počet      rozvoj      hypogloss dvojhláska
## 27       místo             rod      pásmo       místo           pruh artikulace
## 28      pochod          význam   tinktura    proměnná         průřez       cena
## 29      dělení          nástup      délka  substituce        výběžek    rukopis
## 30 protoplasma         hodnota    thionin      způsob         základ        éro
##     Topic 14    Topic 15   Topic 16   Topic 17   Topic 18    Topic 19  Topic 20
## 1     případ        věta  představa       taxa       list       pokus     lebka
## 2      nádor         koř      pojem        vaz      mistr        tlak    případ
## 3    ledvina      spojka   výsledek       úřad       král     injekce      prst
## 4       tkáň        verš     případ     posice      město         tep       roh
## 5       vřed      doklad      zákon      kolek      písař       zvíře      část
## 6      okraj    hexametr        věc        řád      malíř         pes     mícha
## 7      žláza     optativ       stav        kdo        pán      minuta      dítě
## 8      místo     caesura       soud       arch       doba      účinek     index
## 9     vrstva       stopa      dojem        tax      kniha     dýchání       typ
## 10     víčko    polovice     otázka      třída      obraz     extrakt      ruka
## 11      kůže        člen      smysl        gen        pan   centimetr      kost
## 12      část     sloveso     vědomí       impt        syn nadledvinka     počet
## 13     kysta     příklad        cit       čára       léta    dráždění     palec
## 14    povrch         vil    theorie        pól   kancelář       mícha  provazec
## 15      rána     začátek       zjev  rekurrent      jméno         vag    kůstka
## 16       oko       místo    činnost   poplatek    klášter       počet     výška
## 17       řez        hlas      slovo     patent       stav     výtažek    článek
## 18     stěna       slovo    příčina   zřízenec      osoba     hyoscin     délka
## 19    vazivo      otázka    poznání      město      zápis       srdce     kloub
## 20   nemocný         pan      názor      praes     kostel       změna      noha
## 21      céva      případ     výklad     postik        dům       dávka     hmota
## 22     orgán    platnost       vina       spis      právo     vteřina   nemocný
## 23     změna    poznámka     význam       part        čas  podráždění končetina
## 24 granulace  přívlastek    předmět záležitost    století    klesnutí   falanga
## 25   pouzdro       konec       vůle      dávka    listina        žába     hlava
## 26     nález         děj stanovisko     svěrač       sněm    působení      tělo
## 27     vývod   indikativ       účel      obrna manželství      roztok      doba
## 28   operace       volba       část        dkt    příčina   zrychlení     šířka
## 29     obraz    předvětí    možnost    addukce     biskup       žláza      tvar
## 30     barva participium      pohyb     výměra       hora         čiv     změna
##      Topic 21   Topic 22   Topic 23 Topic 24 Topic 25   Topic 26    Topic 27
## 1     jedinec   kyselina       sval  hornina     opis      proud        druh
## 2        síla     roztok      pokus břidlice    denár      odpor      vrstva
## 3        půda       voda     podnět   křemen    mince  intensita     obrázek
## 4     kořínek      pokus podráždění    hmota      rub    hodnota     jehlice
## 5  mykorrhiza   množství       nerv    živec      líc     měření        část
## 6     kultura        sůl  intensita      lom     groš      pokus         jíl
## 7       houba      látka      proud    místo     král  centimetr       okraj
## 8      případ  centimetr     křivka     část     ruka       síla        tvar
## 9        část       váha    činnost     směr     kříž  elektroda        sloj
## 10       hyfa     reakce      změna   vrstva     doba vzdálenost       písek
## 11   obtížení  kysličník   rychlost     ruda      syn       pole         rod
## 12   soustava    methoda     čivost    pásmo  povídka       směr       místo
## 13     vrstva   tekutina  elektroda  vápenec    jméno       drát      povrch
## 14     povrch     vzduch   zkrácení  amfibol   obyčej       doba       konec
## 15     nosník    teplota    teplota    barva      lid      změna       délka
## 16       tělo   výsledek      oddíl     zrno  kaplice    obrázek    exemplář
## 17     těleso      číslo     reakce   kamení    látka      anoda      zbytek
## 18    obrázek     kyslík       vliv    pyrit    obřad     případ   naleziště
## 19     vlákno    alkohol       účin     žíla    obraz   výsledek        směr
## 20      humus       směs    obrázek   biotit     žena  potenciál        uhlí
## 21       druh      práce   smrštění    zrnko    hlava     vrstva        kost
## 22      kloub    rozklad    skupina   partie  obvodek      deska     zvířena
## 23     reakce sloučenina      výška pískovec     země      délka       hlína
## 24  mykorrhiz       část       doba    potok   peníze    paprsek        prof
## 25       pole       cukr      poměr   porfyr   věštba    tabulka        doba
## 26     vzrůst      poměr  kontrakce    údolí    nález      stroj       okolí
## 27       prut       doba působivost   nerost     oheň polarisace     vápenec
## 28      plášť      dusík     rozdíl  puklina    dívka     způsob       pásmo
## 29  pořadnice      vodík    latence    augit mincovna      práce       šířka
## 30       doba     způsob      pohyb    okolí   hřivna     roztok zkamenělina
##    Topic 28   Topic 29   Topic 30 Topic 31   Topic 32     Topic 33  Topic 34
## 1    plocha       list      buňka   případ      slovo         hora      spis
## 2    hvězda    obrázek        řez    pokus      místo         řeka     píseň
## 3   krystal       kraj       část     krev       verš      hranice     slovo
## 4      tvar      konec     embryo    zvíře     výklad        jméno      dílo
## 5      úhel    kroužek    obrázek  kultura      vazba         část      list
## 6  krystall       květ      místo      moč       násl         voda      text
## 7   obrázek       část      stěna   bacill     význam         moře    vydání
## 8     hrana        rod    epithel  slezina    zájmeno         doba      nota
## 9   hodnota       druh    kanálek   mikrob      výraz        místo     kniha
## 10   hranol     článek     vrstva    nález    příklad        území      doba
## 11   měření        osa     klička   králík      čtení         kmen     místo
## 12      čas     křídlo     dutina  injekce      smysl       zpráva     číslo
## 13    obraz      větev       směr  krvinka     podání       pramen       věc
## 14    pásmo     lístek    stadium  teplota    příčina       jezero      hlas
## 15 pyramida    tyčinka       céva    změna konjektura        cesta      zpěv
## 16      typ       tvar      konec     doba     mínění      krajina     práce
## 17    chyba květenství     střevo množství       nása         břeh     jazyk
## 18      osa     šupina      roura  anaemie        řeč        město    zpráva
## 19 poznámka     listen   sliznice  příznak    užívání       rovina       bůh
## 20  výpočet    chlopeň    vajíčko     váha    rukopis       poměry     konec
## 21 světlost    vajíčko      vývoj     tělo    spojení        sídlo kancionál
## 22   reflex     svazek      vývod   reakce       věta        sever      verš
## 23 velikost       tělo      lumen   účinek       doba       východ     socha
## 24  průchod      kořen      váček  infekce       tvar obyvatelstvo     umění
## 25     litr       kruh       zóna  barvivo     případ        údolí       díl
## 26   poloha      hlava       doba  příčina     básník       okrsek    studie
## 27      pól     případ    spojení  nemocný      osoba       ostrov     báseň
## 28     část      délka nadledvina    místo       text         půda      léta
## 29   minuta      počet     poměry     půda     způsob          tok    sbírka
## 30     pruh     plocha       pruh výsledek      jméno         země    pramen
##       Topic 35
## 1          hra
## 2         kmen
## 3     koncovka
## 4         tvar
## 5        slovo
## 6       výklad
## 7          div
## 8  slovanština
## 9        jazyk
## 10   deklinace
## 11        tělo
## 12         nom
## 13    intonace
## 14         řeč
## 15         lit
## 16       drama
## 17     přípona
## 18        hrob
## 19         pád
## 20      význam
## 21     jeviště
## 22 představení
## 23         lok
## 24   nominativ
## 25         lat
## 26      případ
## 27         akk
## 28      pravda
## 29     slabika
## 30       třída

Zobrazení nejfrekventovanějších slov jednoho vybraného tématu v tabulce:

# Tabulka pro jedno téma
word_topics_TOPterms_df$`Topic 8`

##  [1] "buňka"       "jádro"       "hmota"       "vlákno"      "útvar"      
##  [6] "bakterie"    "krvinka"     "obrázek"     "leukocyt"    "tělo"       
## [11] "struktura"   "případ"      "tvar"        "změna"       "obraz"      
## [16] "část"        "zrnko"       "práce"       "zrno"        "forma"      
## [21] "výběžek"     "tělisko"     "element"     "plasma"      "doba"       
## [26] "methoda"     "místo"       "pochod"      "dělení"      "protoplasma"

# formátování:
word_topics_TOPterms_df_table <- knitr::kable(word_topics_TOPterms_df$`Topic 17`, 
  col.names = c("Nejčastější termíny"))

Kromě tabulkového přehledu je možné využít také vizualizaci pomoci knihovny LDAvis, která převede mnohorozměrná témata modelu do dvou dimenzí tak, aby bylo možné je jednoduše a interaktivně prezentovat. Výstupem je jednoduchá javascriptová aplikace, která umožňuje prozkoumávat výsledky LDA pomocí zaměření se na konkrétní témata nebo slova.

Velikost kruhů ve vizualizaci reprezentující témata odpovídá tomu, kolik tokenů (slov) je k tématu přiřazeno (v pravém horním rohu se ukazuje přesné procentuální vyčíslení). Velikost tak odpovídá důležitosti daného tématu v korpusu. Z vizualizace lze také z blízkosti kruhů odvodit, která témata jsou si sémanticky podobná či se překrývají:

    dtm = dtm[slam::row_sums(dtm) > 0, ]
    phi = as.matrix(posterior(topic_model)$terms)
    theta <- as.matrix(posterior(topic_model)$topics)
    vocab <- colnames(phi)
    doc.length = slam::row_sums(dtm)
    term.freq = slam::col_sums(dtm)[match(vocab, colnames(dtm))]
    
    json = createJSON(phi = phi, theta = theta, vocab = vocab,
                      doc.length = doc.length, term.frequency = term.freq, reorder.topics = FALSE)
    serVis(json)

## Loading required namespace: servr

Náhled vstupních dokumentů

Pokud by pro pojmenování témat nestačil přehled nejfrekventovanějších slov, je možné z matice téma-dokument získat dokumenty s největší pravděpodobtí příslušnosti k jednotlivým tématům a podívat se na jejich plný text, nebo jeho část. Je ovšem potřeba mít na paměti, že plným textem je pro potřeby modelu již upravený textový soubor obsahující pouze podstatná jména v základním tvaru.

topic_number <- 8 # vybrané téma
document_topic_filtr <- filter(document_to_topic, document_to_topic$topic == topic_number)
document_topic_filtr

## # A tibble: 44 × 3
##    document                                                          topic gamma
##    <chr>                                                             <int> <dbl>
##  1 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_11_c2560…     8 0.694
##  2 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_13_c2562…     8 0.807
##  3 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1891_-_1892_No_22_c2565…     8 0.894
##  4 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1893_No_13_c25199b9-435…     8 0.894
##  5 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1893_No_31_c253959c-435…     8 0.637
##  6 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1893_No_38_c253bcb3-435…     8 0.490
##  7 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1893_No_8_c25172a4-435d…     8 0.805
##  8 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1894_No_16_c248bfcc-435…     8 0.495
##  9 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1894_No_21_c248e6e1-435…     8 0.944
## 10 LDA_PREPARED_NOUNS_PREPARED_TEXT_OCR_vol_1894_No_22_c2490df2-435…     8 0.743
## # ℹ 34 more rows

# získání textu dokumentu
document_number <- 8 # číslo vybraného dokumentu
document_name <- document_topic_filtr$document[document_number] # označení vybraného dokumentu
document_to_preview <- corpus[[document_name]] # přístup k textu v načteném korpusu

# zobrazení textu
document_to_preview <- gsub("\n", " ", document_to_preview) # vytvoření mezer
substr(document_to_preview, 1, 1000) # zobrazí prvních 1000 znaků

## [1] "ročník třída číslo MUDr vyobrazení podpora akademie císař věda slovesnost umění ústava pathologie prof DRA den duben odbor medicína objev ráz směr badání aetiologie choroba obrat therapie literatura léta nemoc mikrob čelo aetiologie choroba výtvor škůdce therapie nález nouze medikament tvrzení schopnost mikrob tělo vývoj tělo účinek jed druh živočišstvo mikrob vlastnost člověk zvíře zkoumání otázka immunita boj tábor síla boj domněnka Mfč odpor strana doklad tvrzení mínění tábor důkaz tábor spor světlo řada poznání zkušenost stoupenec vliv působení zápas organismus mikrob leukocytň místo očkování množství doba bakterie část phagocyt zjev phagocytosa strana vliv šťáva buňka přítomnost leukocyt místo důležitost bud působení krvinka útvar strana působení látka mikrob vliv tkáň síla přitažlivost zjev hromadění autor přitahování leukocyt chemotaxe citlivost leukocyt zjev immunita sesílení tělo záruka působení bakterie zničení tělo phagocytosa chemotaxe tělo therapie citlivost krvinka hromad"

#print(document_to_preview) # zobrazí celý dokument

Odkazy na digitalizáty

V případech, kdy žádná z předchozích technik nevedla k pojmenování témat, je možné získat z názvů jednotlivých dokumentů jejich identifikátor uuid, sestavit z něj odkaz do digitální knihovny a analyzovat přímo zdrojový digitalizát.

topic_number <- 31 # vybrané téma
document_topic_filtr <- filter(document_to_topic, document_to_topic$topic == topic_number)
top_documents <- document_topic_filtr$document

documents_url <- list()
for (txt in 1:length(top_documents)){
  doc_uuid <- str_sub(top_documents, -40, -5)
  doc_url <- paste0("https://kramerius.lib.cas.cz/uuid/uuid:",doc_uuid)
  documents_url <- c(documents_url, doc_url)
}
head(documents_url) #několik prvních dokumentů

## [[1]]
## [1] "https://kramerius.lib.cas.cz/uuid/uuid:c25606d5-435d-11dd-b505-00145e5790ea"
## 
## [[2]]
## [1] "https://kramerius.lib.cas.cz/uuid/uuid:c25654fc-435d-11dd-b505-00145e5790ea"
## 
## [[3]]
## [1] "https://kramerius.lib.cas.cz/uuid/uuid:c255b8ac-435d-11dd-b505-00145e5790ea"
## 
## [[4]]
## [1] "https://kramerius.lib.cas.cz/uuid/uuid:c25199ba-435d-11dd-b505-00145e5790ea"
## 
## [[5]]
## [1] "https://kramerius.lib.cas.cz/uuid/uuid:c2534771-435d-11dd-b505-00145e5790ea"
## 
## [[6]]
## [1] "https://kramerius.lib.cas.cz/uuid/uuid:c2536e89-435d-11dd-b505-00145e5790ea"

#documents_url #odkazy na všechny dokumenty tématu

3 Přehled identifikovaných témat

Na základě výše zmíněných metod byly tématům přiřazeny názvy.

#pojmenovaná témata
named_topics <- c("01: Fyziologie rostlin a živočichů", 
                "02: Nářečí", 
                "03: Politické a sociální dějiny",
                "04: Bryologie (mechorosty)", 
                "05: Sklářství", 
                "06: Geometrie", 
                "07: Právo",
                "08: Cytologie", 
                "09: Fyzická geografie českých zemí a nářečí", 
                "10: Fyzikální chemie",
                "11: Matematická analýza", 
                "12: Nervová a smyslová soustava", 
                "13: Literární věda a jazykověda",
                "14: Patofyziologie", 
                "15: Syntax", 
                "16: Filosofie a psychologie",
                "17: Fonologie a daně", 
                "18: Kulturní dějiny",
                "19: Fyziologické experimenty", 
                "20: Anatomie kostí a kloubů",
                "21: Systémová analýza", 
                "22: Chemické prvky a sloučeniny", 
                "23: Fyziologie svalů",
                "24: Petrologie", 
                "25: Numismatika", 
                "26: Elektrotechnika", 
                "27: Geologie a archeologie",
                "28: Horniny a kosmická tělesa", 
                "29: Hmyz a morfologie rostlin",
                "30: Embryologie a anatomie orgánů", 
                "31: Klinické příznaky a léčba nemocí",
                "32: Řečtí a římští klasici", 
                "33: Geografie", 
                "34: Umění, písemnictví a humanismus",
                "35: Staročeská a slovanská kultura")

Identifikovaná témata a jejich publikace je možné propojit s daty o době jejich publikace:

# Spojení identifikovaných témat s roky jejich publikování (na základě metadat z digitální knihovny)

  # Načtení JSON s metadaty čísel
  file_name <- "combined_issues_publication_year.json" # předpokládá se, že soubor je ve stejné složce jako R script
  json_file_path <- file_name
  issues_publication_year_data <- fromJSON(json_file_path)
  names(issues_publication_year_data)[1] <- "document" # přejmenuje se sloupec s uuid čísel tak, aby odpovídal sloupci v data framu document_to_topic, se kterou budou načtená data spojena
  
  # v data framu document_to_topic je potřeba upravit sloupec obsahující uuid čísla
  for (q in 1:nrow(document_to_topic)){ # pro každý řádek
    new_string <- paste0("uuid:",str_sub(document_to_topic$document[[q]], -40, -5)) #prefix "uuid:", substring najde uuid, předpokládá se, že název souboru končí .txt
    document_to_topic$document[[q]] <- new_string
  }

  # spojení document_to_topic a načtených dat
  document_to_topic_year_data <- merge(document_to_topic, issues_publication_year_data, by = "document", all = TRUE)

  # Součet dokumentů věnujících se jednomu tématu
  document_counts_per_year <- document_to_topic_year_data %>%
    group_by(topic, volume_year, class) %>%
    summarise(count = n(), .groups = 'drop')
  
  # konverze kvůli problémům při řazení při zobrazení v grafu
  document_counts_per_year$volume_year <- as.character(document_counts_per_year$volume_year)
  document_counts_per_year$topic <- as.factor(document_counts_per_year$topic)
  document_counts_per_year$volume_year <- sub(" - .*", "", document_counts_per_year$volume_year)

Pro popis jednotlivých témat byla vytvořena funkce getTopicOverview(topic_number), která zajistí vytvoření wordcloudu (getTopicWorldCloud), přehledu počtu vydaných svazků v jednotlivých letech sledovaného období (getTopicOverYearsGraph) a zjistí celkový počet svazků náležících tématu (getTopicDocumentsSum).

#vytvoří wordcloud z nejfrekventovanějších slov tématu  
getTopicWorldCloud <- function(topic_number){
  word_topic_posterior <- posterior(topic_model)$terms[topic_number, ]
  top_words_for_topicX <- head(sort(word_topic_posterior, decreasing = T), n=50)
  wordcloud <- wordcloud(names(top_words_for_topicX), top_words_for_topicX)
  return(wordcloud)
}  

#vytvoří graf ukazující počet dokumentů daného tématu vydaný v jednotlivých letech
getTopicOverYearsGraph <- function(topic_number){
  #přehled počtu dokumentů k danému tématu v jednotlivých letech
  topic_filter <- filter(document_counts_per_year, document_counts_per_year$topic == topic_number)
  all_years <- data.frame(volume_year = 1890:1910) # data frame s rozsahem 1890 to 1910
  topic_filter$volume_year <- as.integer(as.character(topic_filter$volume_year)) # konverze volume_year z factor na integer v topic_filter
  topic_filter_complete <- left_join(all_years, topic_filter, by = "volume_year")
  topic_filter_complete$count[is.na(topic_filter_complete$count)] <- 0 #nahrazení NA nulou
  
  # graf
  years_graph <- ggplot(topic_filter_complete, aes(x = volume_year, y = count, fill = class)) +
    geom_bar(stat = "identity") +
    theme_minimal() +
    labs(x = "Roky", y = "Počet dokumentů") +
    theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
    scale_x_continuous(breaks = 1890:1910)
    
  return(years_graph)
}  

#Shrne počet dokumentů ve vybraném tématu
getTopicDocumentsSum <- function(topic_number){
  topic_filter_sum <- sum(filter(document_counts_per_year, document_counts_per_year$topic == topic_number)$count)
  return(topic_filter_sum)
}  

# Vytvoření přehledu pro jednotlivé téma
getTopicOverview <- function(topic_number){
  
  topic_filter_sum <- getTopicDocumentsSum(topic_number)
  print(paste0("Počet dokumentů v tématu č.",topic_number," je ",topic_filter_sum))
  
  wordcloud <- getTopicWorldCloud(topic_number)
  wordcloud

  topic_over_years <- getTopicOverYearsGraph(topic_number)
  topic_over_years
}

3.1 Fyziologie rostlin a živočichů

getTopicOverview(1)

## [1] "Počet dokumentů v tématu č.1 je 28"

3.2 Nářečí

getTopicOverview(2)

## [1] "Počet dokumentů v tématu č.2 je 5"

3.3 Politické a sociální dějiny

getTopicOverview(3)

## [1] "Počet dokumentů v tématu č.3 je 8"

3.4 Bryologie (mechorosty)

getTopicOverview(4)

## [1] "Počet dokumentů v tématu č.4 je 10"

3.5 Sklářství

getTopicOverview(5)

## [1] "Počet dokumentů v tématu č.5 je 3"

3.6 Geometrie

getTopicOverview(6)

## [1] "Počet dokumentů v tématu č.6 je 54"

3.7 Právo

getTopicOverview(7)

## [1] "Počet dokumentů v tématu č.7 je 8"

3.8 Cytologie

getTopicOverview(8)

## [1] "Počet dokumentů v tématu č.8 je 44"

3.9 Fyzická geografie českých zemí a nářečí

getTopicOverview(9)

## [1] "Počet dokumentů v tématu č.9 je 7"

3.10 Fyzikální chemie

getTopicOverview(10)

## [1] "Počet dokumentů v tématu č.10 je 11"

3.11 Matematická analýza

getTopicOverview(11)

## [1] "Počet dokumentů v tématu č.11 je 77"

3.12 Nervová a smyslová soustava

getTopicOverview(12)

## [1] "Počet dokumentů v tématu č.12 je 12"

3.13 Literární věda a jazykověda

getTopicOverview(13)

## [1] "Počet dokumentů v tématu č.13 je 3"

3.14 Patofyziologie

getTopicOverview(14)

## [1] "Počet dokumentů v tématu č.14 je 34"

3.15 Syntax

getTopicOverview(15)

## [1] "Počet dokumentů v tématu č.15 je 2"

3.16 Filosofie a psychologie

getTopicOverview(16)

## [1] "Počet dokumentů v tématu č.16 je 5"

3.17 Fonologie a daně

getTopicOverview(17)

## [1] "Počet dokumentů v tématu č.17 je 3"

3.18 Kulturní dějiny

getTopicOverview(18)

## [1] "Počet dokumentů v tématu č.18 je 10"

3.19 Fyziologické experimenty

getTopicOverview(19)

## [1] "Počet dokumentů v tématu č.19 je 51"

3.20 Anatomie kostí a kloubů

getTopicOverview(20)

## [1] "Počet dokumentů v tématu č.20 je 22"

3.21 Systémová analýza

getTopicOverview(21)

## [1] "Počet dokumentů v tématu č.21 je 16"

3.22 Chemické prvky a sloučeniny

getTopicOverview(22)

## [1] "Počet dokumentů v tématu č.22 je 119"

3.23 Fyziologie svalů

getTopicOverview(23)

## [1] "Počet dokumentů v tématu č.23 je 7"

3.24 Petrologie

getTopicOverview(24)

## [1] "Počet dokumentů v tématu č.24 je 29"

3.25 Numismatika

getTopicOverview(25)

## [1] "Počet dokumentů v tématu č.25 je 7"

3.26 Elektrotechnika

getTopicOverview(26)

## [1] "Počet dokumentů v tématu č.26 je 35"

3.27 Geologie a archeologie

getTopicOverview(27)

## [1] "Počet dokumentů v tématu č.27 je 47"

3.28 Horniny a kosmická tělesa

getTopicOverview(28)

## [1] "Počet dokumentů v tématu č.28 je 50"

3.29 Hmyz a morfologie rostlin

getTopicOverview(29)

## [1] "Počet dokumentů v tématu č.29 je 38"

3.30 Embryologie a anatomie orgánů

getTopicOverview(30)

## [1] "Počet dokumentů v tématu č.30 je 44"

3.31 Klinické příznaky a léčba nemocí

getTopicOverview(31)

## [1] "Počet dokumentů v tématu č.31 je 52"

3.32 Řečtí a římští klasici

getTopicOverview(32)

## [1] "Počet dokumentů v tématu č.32 je 7"

3.33 Geografie

getTopicOverview(33)

## [1] "Počet dokumentů v tématu č.33 je 8"

3.34 Umění, písemnictví a humanismus

getTopicOverview(34)

## [1] "Počet dokumentů v tématu č.34 je 28"

3.35 Staročeská a slovanská kultura

getTopicOverview(35)

## [1] "Počet dokumentů v tématu č.35 je 3"

4. Témata v kontextu

Zobrazení sloupcových grafů pro nejfrekventovanější slova ve všech tématech:

word_topics_TOPterms <- word_topics %>%
  mutate(topic = named_topics[topic]) %>% #pojmenování témat
  group_by(topic) %>% # pro každé téma...
  slice_max(beta, n = 10) %>% # ...10 nejpravděpodobnějších slov
  ungroup() %>%
  arrange(topic, -beta)

word_topics_TOPterms %>%
  mutate(term = reorder_within(term, beta, topic)) %>%
  ggplot(aes(beta, term)) +
  geom_col(show.legend = FALSE) +
  facet_wrap(~ topic, scales = "free") +
  theme(strip.text.x = element_text(size = 8)) +
  labs(x = "Pravděpodobnost příslušnosti k tématu",
         y = "Nejfrekventovanější slova") +
  scale_y_reordered()

Graf ukazující počet dokumentů patřících k jednotlivým tématům:

document_to_topics_count <- document_to_topic %>%
  mutate(topic = named_topics[topic]) %>% #pojmenování témat
  group_by(topic) %>%
  summarise(count = n(), .groups = 'drop')
  
  ggplot(document_to_topics_count, aes(x = factor(topic), y = count)) +
    geom_bar(stat = "identity", fill="#12448B") +
    theme_minimal() +
    labs(x = "Téma",
         y = "Počet dokumentů") +
    theme(axis.text.x = element_text(angle = 70, hjust = 1)) 

# s rozdělením na třídy
document_to_topics_count <- document_to_topic_year_data %>%
  mutate(topic = named_topics[topic]) %>% #pojmenování témat
  group_by(topic, class) %>%
  summarise(count = n(), .groups = 'drop')
  
  ggplot(document_to_topics_count, aes(x = factor(topic), y = count, fill=class)) +
    geom_bar(stat = "identity") +
    theme_minimal() +
    labs(x = "Téma",
         y = "Počet dokumentů",
         fill = "Třída") +
    scale_fill_manual(values=c("#006837", "#A50026", "#3288BD"))+
    theme(axis.text.x = element_text(angle = 80, hjust = 1)) #pro zvětšení písma lze použít: text=element_text(size=25) 

Jednotlivá témata byla klasifikována do obecnějších kategorií vycházející z klasifikace FORD a také vědních oblastí a sekcí, do kterých je v současnosti organizována Akademie věd ČR.

Načtení souboru s klasifikací:

topic_classification <- read_excel("klasifikace_temat.xlsx")
topic_classification

## # A tibble: 35 × 11
##    `Číslo tématu` `Název tématu`     `počet svazků` `metoda určení` `Sekce vědy`
##             <dbl> <chr>                       <dbl> <chr>           <chr>       
##  1              1 Fyziologie rostli…             28 nejfrekventova… biologické …
##  2              2 Nářečí                          5 nejfrekventova… humanitní a…
##  3              3 Politické a sociá…              8 nejfrekventova… historické …
##  4              4 Bryologie (mechor…             10 digitalizáty    biologické …
##  5              5 Sklářství                       3 digitalizáty    vědy o zemi 
##  6              6 Geometrie                      54 nejfrekventova… matematika,…
##  7              7 Právo                           8 nejfrekventova… interdiscip…
##  8              8 Cytologie                      44 náhledy vstupn… biologické …
##  9              9 Fyzická geografie…              7 digitalizáty    interdiscip…
## 10             10 Fyzikální chemie               11 náhledy vstupn… chemické vě…
## # ℹ 25 more rows
## # ℹ 6 more variables: `Oblast vědy` <chr>, `FORD 2Lvl` <chr>,
## #   `FORD 2Lvl FULL` <chr>, `FORD Broad` <chr>, `FORD Broad FULL` <chr>,
## #   pozn <chr>

Graf ukazující počet dokumentů patřících k jednotlivým sekcím vědních oblastí AV ČR:

topic_classification_sections <- topic_classification %>%
  filter(`Oblast vědy` != "NA") %>%
  group_by(`Sekce vědy`, `Oblast vědy`) %>%
  summarise(`počet svazků` = sum(`počet svazků`, na.rm = TRUE), .groups = 'drop')

topic_classification_Ford_2nd_Level <- topic_classification %>%
  group_by(topic_classification[7], topic_classification[10]) %>%
  summarise(`počet svazků` = sum(`počet svazků`, na.rm = TRUE), .groups = 'drop')

ggplot(topic_classification_sections, aes(x = `Sekce vědy`, y = `počet svazků`, fill = `Oblast vědy`)) +
  geom_bar(stat = "identity", position = "stack") +
  theme_minimal() +
  labs(x = "Sekce vědních oblasti",
       y = "Počet dokumentů",
       fill = "Oblast vědy") +
  scale_fill_manual(values=c("#5a1628", "gray", "#12448B", "#005417"))+
  theme(axis.text.x = element_text(angle = 70, hjust = 1, size = rel(1.6)))

Graf ukazující počet dokumentů patřících k jednotlivým oborovým skupinám FORD:

ggplot(topic_classification_Ford_2nd_Level, aes(x = `FORD Broad FULL`, y = `počet svazků`, fill = `FORD 2Lvl`)) +
  geom_bar(stat = "identity", position = "stack") +
  theme_minimal() +
  labs(x = "Oborové skupiny FORD",
       y = "Počet dokumentů",
       fill = "Vědní obory FORD") +
  scale_fill_manual(values=c("#A50026", "#D73027", "#F46D43", "#FDAE61", "#FEE08B", "#5E4FA2", "#D9EF8B", "#A6D96A", "#66BD63", "#1A9850", "#006837", "#3288BD"))+
  theme(axis.text.x = element_text(angle = 70, hjust = 1)) #pro zvětšení textu: text=element_text(size=25)

Rozložení jednotlivých témat v čase

document_counts_per_year_graph <- document_counts_per_year %>%
  mutate(topic = named_topics[topic]) %>% #pojmenování témat
  filter(topic != "17: Fonologie a daně") %>% # exclude the unwanted topic
  filter(topic != "34: Humanismus a umění") %>% # exclude the unwanted topic
  group_by(topic, volume_year) %>%
  summarise(count = sum(count), .groups = 'drop')
  
document_counts_per_year_bar <- ggplot(document_counts_per_year_graph, aes(x = volume_year, y = count, fill=topic)) +
  geom_bar(stat = "identity") +
  theme_minimal() +
    labs(x = "Roky",
       y = "Počet dokumentů",
       fill = "Téma") +
  theme(axis.text.x = element_text(angle = 70, hjust = 1)) 

document_counts_per_year_facet <- ggplot(document_counts_per_year_graph, aes(x = volume_year, y = count, fill=topic)) +
  geom_bar(stat = "identity") +
  theme_minimal() +
  facet_wrap(~ topic, scales = 'free_y') +
    labs(x = "Roky",
       y = "Počet dokumentů",
       fill = "Téma") +
  theme(axis.text.x = element_text(angle = 70, hjust = 1))

ggplot(document_counts_per_year_graph, aes(x = volume_year, y = fct_rev(topic), fill = count)) +
  geom_tile() + 
  scale_fill_gradient(low = "#12448B", high = "red") +
  theme_minimal() +
  labs(x = "Roky", y = "Téma", fill = "Počet dokumentů") +
  theme(axis.text.x = element_text(angle = 70, hjust = 1)) # zvětšení textu: text=element_text(size=25)

axis.title.x = element_text()